claude-office-skills/doc-parser

Was macht doc-parser?

Parsen und Extrahieren von Text aus Office-Dokumenten (DOCX, PDF, XLSX, PPTX) für KI-Assistenten.

Übersicht

Dieser Skill ermöglicht es KI-Assistenten, Textinhalte aus Microsoft Office- und anderen gängigen Dokumentformaten zu extrahieren. Er unterstützt:

• DOCX: Word-Dokumente (mit Tabellen, Listen, Überschriften)
• PDF: Portable Document Format (einschließlich gescannter PDF mit OCR, falls konfiguriert)
• XLSX: Excel-Tabellen (Zellen, Zeilen, Blätter)
• PPTX: PowerPoint-Präsentationen (Folien, Notizen)

Voraussetzungen

• Python 3.8 oder höher
• Installiere die erforderlichen Pakete:

pip install python-docx PyPDF2 openpyxl python-pptx

Für PDF-OCR-Unterstützung (optional):

pip install pytesseract pdf2image

Verwendung

Als Skill in einem KI-Assistenten

Der Skill kann in Tools wie Claude Code oder Cursor integriert werden. Beispiel für eine Anfrage:

Extrahiere den gesamten Text aus der Datei 'Bericht.docx' und fasse die Hauptpunkte zusammen.

Direkt über die Kommandozeile

python doc_parser.py Pfad/zur/Datei.docx

Unterstützte Formate werden automatisch erkannt. Die Ausgabe erfolgt als JSON mit strukturierten Inhalten.

Funktionsweise

1. Dateierkennung: Der Skill erkennt das Dateiformat anhand der Dateiendung.
2. Extrahieren: Entsprechende Parser extrahieren den Text unter Beibehaltung der Struktur (Überschriften, Tabellen, Listen).
3. Ausgabe: Der extrahierte Text wird als JSON-Objekt mit Metadaten (Seitenzahl, Blattname, Folientitel) zurückgegeben.

Konfiguration

Du kannst den Skill über Umgebungsvariablen anpassen:

• DOC_PARSER_OCR: Setze auf 1, um OCR für gescannte PDFs zu aktivieren (erfordert tesseract)
• DOC_PARSER_MAX_PAGES: Maximale Anzahl zu parsender Seiten (Standard: 100)
• DOC_PARSER_OUTPUT_FORMAT: Ausgabeformat (text oder json, Standard: json)

Beispiele

Extrahieren einer Excel-Tabelle

Eingabe:

Zeige mir die Daten aus der Tabelle 'Umsatz' in 'Finanzen.xlsx'

Ausgabe:

{
  "datei": "Finanzen.xlsx",
  "blatt": "Umsatz",
  "zeilen": 50,
  "daten": [
    {"Monat": "Januar", "Umsatz": 12000},
    {"Monat": "Februar", "Umsatz": 15000}
  ]
}

Extrahieren einer PDF-Präsentation

Eingabe:

Extrahiere die Folientexte aus 'Meeting.pdf'

Ausgabe:

{
  "datei": "Meeting.pdf",
  "seiten": 10,
  "text": "Folie 1: Einführung\nFolie 2: Agenda..."
}

Lizenz

Dieses Projekt steht unter der MIT-Lizenz.